基于物理先验的深度图像去雾网络DBaP-net：提升计算机视觉下游任务质量的新方法

《Image and Vision Computing》：DBaP-net: Deep network for image defogging based on physical properties prior

本文提出了一种基于物理先验的深度可训练去雾网络DBaP-net。该网络通过卷积神经网络（CNN）整合多种滤波器提取图像物理先验，构建精密深度网络结构精确估计透射率图，并利用大气散射模型有效恢复无雾图像。创新性地设计了针对物理先验特征的空间变换层（Spatial Transformation Layer）和采用多核融合提取技术，显著提升了模型的特征提取能力和空间适应性。实验验证表明，DBaP-net在定量和定性评估中均超越现有算法，为计算机视觉框架下的图像去雾问题提供了新颖解决方案，能为相关领域研究及下游应用提供有力支持。

　　

暗通道先验

在无雾的自然户外图像中，可以识别出局部区域，其中至少一个颜色通道的像素亮度值趋近于零。这些亮度极低的像素在学术上被称为"暗像素"，它们共同构成了图像的"暗通道"。J^dark(x) = min_y∈Ω(z)(min_c∈{r,g,b}(J^c(y)))，其中J_c表示图像J在特定颜色通道c中的像素强度值，而x代表图像中的一个像素坐标。Ω(x)是...

网络架构

有雾图像作为整个网络的输入，首先经过空间不变网络层处理，该层包含空间变换机制，赋予网络旋转、平移和尺度不变性，即空间不变性。随后，深度网络为输入图像估计相应的透射率图，并基于该图和大气散射模型恢复无雾图像，如图1所示。

整个网络架构就像一位精明的"图像诊断专家"，能够精准识别雾霾干扰并实施"净化手术"。

数据和实验设置

本研究中提出的方法使用PyTorch深度学习工具包实现，实验训练和验证过程在配备两个Nvidia 3090 GPU、Core i9 CPU和32GB RAM的本地主机上进行。

在模型训练阶段，采用真实世界雾图、基于物理特征合成的雾图及其对应的清晰图像作为初始训练数据集，这为进一步...

结论

本文提出了一个基于深度学习模型框架的解决方案，以解决雾霾场景的自适应恢复问题。整个训练过程对训练数据要求门槛低，确保了操作便利性和广泛泛化能力。恢复测试的实验结果令人信服地证明了我们的方法在雾图恢复方面的出色表现。为了全面评估其缓解...干扰的能力